# Modelos de machine learning aplicados a dados de saúde são úteis para prever transtorno por uso de opioides?

> Uma revisão sistemática de 16 artigos indica que modelos de machine learning aplicados a dados de saúde podem prever transtorno por uso de opioides com ROC AUC acima de 0,8 na maioria dos estudos. No entanto, a falta de detalhes e transparência na descrição dos métodos limita a utilidade prática e a reprodutibilidade desses modelos.

Estudo citado: Garbin C, Marques N, Marques O. Machine learning for predicting opioid use disorder from healthcare data: A systematic review. Computer methods and programs in biomedicine. 2023. DOI: https://doi.org/10.1016/j.cmpb.2023.107573. PubMed: https://pubmed.ncbi.nlm.nih.gov/37148670/

## Resposta

A revisão sistemática analisou 16 artigos publicados a partir de 2012 que usaram dados de saúde para prever transtorno por uso de opioides (OUD) com técnicas de machine learning (ML). O objetivo foi sumarizar a pesquisa atual e avaliar como as técnicas de ML foram empregadas, sugerindo melhorias. Os resultados mostram que a maioria dos modelos reportou ROC AUC acima de 0,8, indicando bom desempenho discriminatório.

Os estudos utilizaram diferentes fontes de dados: três criaram seu próprio conjunto, cinco usaram dados públicos e oito usaram dados privados. O tamanho das coortes variou de centenas a mais de meio milhão de indivíduos. Seis artigos usaram um único tipo de modelo de ML, enquanto os demais empregaram até cinco modelos diferentes. Modelos interpretáveis, isoladamente ou combinados, apresentaram os maiores ou segundos maiores valores de ROC AUC.

Apesar dos bons resultados reportados, a revisão identificou limitações importantes. A maioria dos artigos não descreveu suficientemente as técnicas e ferramentas de ML utilizadas, e apenas três publicaram o código-fonte. Essa falta de transparência compromete a reprodutibilidade e a confiança nos achados, dificultando a aplicação clínica dos modelos.

Os autores concluem que, embora haja indícios de que o ML aplicado à predição de OUD possa ser valioso, a falta de detalhes e transparência na criação dos modelos limita sua utilidade. Recomendações são feitas para melhorar estudos futuros nesse tema crítico de saúde. A revisão reforça a necessidade de padronização na descrição de métodos e de disponibilização de código para avançar a área.

## O que o estudo mostrou

Revisão sistemática de 16 artigos publicados a partir de 2012 que usaram dados de saúde para prever transtorno por uso de opioides com machine learning. Três estudos criaram seus próprios conjuntos de dados, cinco usaram dados públicos e oito usaram dados privados. O tamanho das coortes variou de centenas a mais de meio milhão. Seis artigos usaram um único tipo de modelo; os demais usaram até cinco modelos. O ROC AUC foi superior a 0,8 em todos, exceto um. Cinco artigos usaram apenas modelos não interpretáveis; os outros 11 usaram modelos interpretáveis exclusivamente ou em combinação. Modelos interpretáveis tiveram os maiores ou segundos maiores ROC AUC. A maioria não descreveu suficientemente as técnicas de ML, e apenas três publicaram o código-fonte.

## Limitações

O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, como risco de viés ou heterogeneidade entre as populações. A falta de descrição das técnicas de ML e a baixa disponibilização de código-fonte limitam a reprodutibilidade e a avaliação crítica dos modelos. O resumo também não informa se os modelos foram validados externamente ou se há dados sobre implementação clínica.

## Aplicação no consultório

Para o médico, os achados indicam que modelos de ML podem auxiliar na identificação de pacientes com risco de transtorno por uso de opioides, mas a transparência limitada dos estudos dificulta a incorporação imediata na prática clínica. No consultório, é prudente aguardar modelos validados e com código disponível antes de adotar ferramentas preditivas. A gestão pode considerar investir em infraestrutura de dados e capacitação para avaliar criticamente tais modelos.

## Perguntas para aprofundar

- Quais características dos modelos de machine learning interpretáveis estão associadas a melhor desempenho na predição de transtorno por uso de opioides?
- Como a falta de transparência nos estudos de machine learning para OUD afeta a aplicabilidade clínica desses modelos?
- Quais recomendações os autores fazem para melhorar a reprodutibilidade de estudos futuros sobre ML e OUD?

Tema: IA em saúde mental. Página: https://alphadoctor.com.br/ciencia/ia-saude-mental/modelos-de-machine-learning-aplicados-a-dados-de-saude-sao-uteis-para-prever/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.